面向高维系统的基于神经网络的逆向到达-规避管道（BRAT）及其在安全航天器对接中的应用
机器人学
2026-05-05 v1 系统与控制
系统与控制
摘要
自动航天器对接需要在耦合的高维平移-旋转动力学下，同时确保碰撞规避和目标可达性。Hamilton-Jacobi (HJ) 可达-规避性质提供形式化可达-规避保证，但经典求解器仅限于低维系统。学习方法开始扩展 HJ 分析，但在到达-规避场景中仍困难，尤其是当目标集与失败集紧密耦合，如在对接场景中。我们提出一种学习的逆向到达-规避管道 (BRAT) 框架，通过紧密集成 HJ 结构与 MPC 监督来解决此挑战。在离线阶段，我们使用增强了 MPC 监督的 PDE 损失训练 HJ 值函数的神经近似，该监督提供信息丰富的价值目标，并稳定了纯粹基于 PDE 的方法在失效区域的训练。在在线阶段，部署所学习的价值函数通过两种实时控制器实现：(i) 基于价值梯度的控制器，和 (ii) 价值函数增强的终端 MPC，显式强制在时域内实现可达性。我们在 6D 平面对接问题上对所提方法进行评估，与基于网格的基准结果比较，然后扩展到完整的 13D 系统。在两种情况下，我们的方法在成功率和计算效率方面均优于现有方法。
引用
@article{arxiv.2605.02021,
title = {Neural Backward Reach-Avoid Tubes with MPC Supervision for High-Dimensional Systems: An Application to Safe Spacecraft Docking},
author = {Santiago Thorup and Luca Castelletto and Zeyuan Feng and Somil Bansal},
journal= {arXiv preprint arXiv:2605.02021},
year = {2026}
}
备注
8 pages, 7 Figures